آنها در پایان اذعان داشتند عملکرد شبکه عصبی وابسته به ماهیت داده ها میباشد و کاهش نرخ خطا و مقدار خطا می تواند منجر به بهبود عملکرد شبکه عصبی در پیش بینی خارج از نمونه ای گردد.[۴۶]
هو و همکاران (۲۰۰۲) در مقالهای تحت عنوان «مطالعه مقایسه ای از شبکه عصبی و مدل باکس و جنکینز در پیش بینی سریهای زمانی»، به منظور برازش مدلهای شبکه عصبی پیشخور چند لایه، شبکه عصبی بازگشتی و مدل خودرگرسیو میانگین متحرک انباشته و مقایسه عملکرد این مدلها در پیشبینی تعداد دفعات خرابی در سیستم کمپرسور، از سری زمانی ۹۰ خرابی مهم در یک کارخانهی نروژی در طی سال های ۱۹۶۸ تا ۱۹۸۹ بهره جستند. نتایج تحقیق نشان داد عملکرد مدلهای شبکه عصبی بازگشتی و خودرگرسیو میانگین متحرک انباشته، از نظر دو تابع زیان میانگین مجذور خطا (MSE) و میانگین قدر مطلق خطا (MAE)، هم در کوتاهمدت و هم در بلندمدت نسبت به شبکه عصبی پیشخور چند لایه دارای خطا کمتری میباشند، اما عملکرد هر دو مدل در کوتاهمدت نسبت به بلندمدت بهتر است.
آنها علاوه بر بررسی دقت پیش بینی سه مدل مذکور، توان هر یک از مدلها را به منظور تشخیص نقطهی بازگشت مورد ارزیابی قرار دادند که نتایج دال بر موفقیت دو مدل شبکه عصبی بازگشتی و خودرگرسیو میانگین متحرک انباشته، نسبت به شبکه عصبی پیشخور چند لایه است.[۳۸]
رضا روشن (۱۳۸۵) در پایان نامه خود تحت عنوان «پیش بینی تورم ایران به کمک مدلهای خودرگرسیو میانگین متحرک انباشته ، ARCH/GARCH و شبکه های عصبی مصنوعی و مقایسه کارآیی مدلهای مذکور» با بهره گرفتن از داده های فصلی سالهای (۱۳۸۳:۴-۱۳۸۴:۱)، توان پیشبینی تورم مدلهای خودرگرسیو میانگین متحرک انباشته، ناهمسانی واریانس شرطی و شبکه عصبی را با هم مقایسه کرده و نتایج بر کارآتر بودن مدل ناهمسانی واریانس شرطی نسبت به مدل خودرگرسیو میانگین متحرک انباشته و مدل شبکه های عصبی مصنوعی نسبت به رقبای خود دلالت دارد.[۸]
متوسلی و طالب (۱۳۸۵) در مقالهای تحت عنوان «بررسی مقایسه ای توان شبکه های عصبی با ورودی شاخص های تحلیل تکنیکی برای پیش بینی قیمت سهام» به مقایسه عملکرد دو شبکه عصبی (که یکی از آنها فقط ارزش بازار را به عنوان ورودی و دیگری علاوه بر ارزش بازار، میانگین متحرک پنج، ده و بیست روزه، ROC[143] و RSI[144] دوازده روزه را نیز به عنوان ورودی لحاظ کرده بود) با مدل خودرگرسیو میانگین متحرک انباشته پرداختند و از چهل شرکت فعال در بورس برای ارزیابی توان پیشبینی قیمت بهره جستند.
نتایج نشان داد که عملکرد مدل خودرگرسیو میانگین متحرک انباشته به طور معناداری نسبت به شبکه های عصبی بهتر است و در واقع مدل خطی خودرگرسیو میانگین متحرک انباشته بهتر از مدلهای غیرخطی (شبکه های عصبی) می تواند پیچیدگی سری زمانی قیمت سهام را تجزیه و تحلیل نماید.[۲۲]
احمدی، ذوالفقاری و نژاد مهربان (۱۳۸۸) در مقاله خود با عنوان «مطالعه تطبیقی روشهای خودرگرسیو میانگین متحرک انباشته و شبکه های عصبی مصنوعی در پیش بینی نیاز داخلی برق کشور» از دو مدل خطی خودرگرسیو میانگین متحرک انباشته و غیرخطی شبکه عصبی برای پیش بینی متوسط ماهانه نیاز داخلی برق کشور برای یک دوره ۳ ساله استفاده کردند. نتایج تحقیق آنها مبنی بر توضیحدهندگی بالای شبکه عصبی نسبت به مدل خودرگرسیو میانگین متحرک انباشته می باشد.[۱]
مشیری و مروت (۱۳۸۵) در مقالهای با عنوان «پیش بینی کل بازدهی سهام تهران با بهره گرفتن از مدلهای خطی و غیرخطی» اذعان داشتند که شبکه عصبی در پیش بینی شاخص روزانه و هفتگی نسبت به مدلهای ARIMA و ARFIMA و GARCH از دقت بالاتری برخوردار است.[۲۳]
همانطور که از مطالعات بالا بر می آید، عملکرد شبکه عصبی در سریهای زمانی مختلف، متفاوت است.
۲-۲۳) مروری بر مطالعات ترکیبی
شبکه های عصبی به طور ذاتی غیرخطی می باشند و با تغییر در داده ها، توابع غیرخطی را بسیار خوب تخمین میزنند. از طرفی دیگر مدل خودرگرسیو میانگین متحرک انباشته دارای محدودیت خطی است و نمی تواند الگوهای غیرخطی را خوب مدل سازی نماید.
از آن جایی که در دنیای واقعی دانستن الگوی داده ها مبنی بر خطی و غیرخطی بودن کمی دشوار است و به ندرت سریهای زمانی به طور خالص خطی و یا غیرخطی میباشند، بنابراین ترکیب مدلهای خطی مانند خودرگرسیو میانگین متحرک انباشته و مدلهای غیرخطی مانند شبکه عصبی (ANN[145]) می تواند منجر به افزایش دقت در پیش بینی شود.
ژانگ (۲۰۰۳) در مقالهای تحت عنوان « پیش بینی سریهای زمانی با بهره گرفتن از مدلهای ترکیبی ARIMA و شبکه عصبی»، اذعان داشت، با توجه به ماهیت خطی مدل خودرگرسیو میانگین متحرک انباشته و غیرخطی شبکه عصبی، پیش بینی بخش خطی بوسیلهی میانگین متحرک انباشته و پسماند غیرخطی بوسیله ی شبکه می تواند منجر به افزایش دقت در پیشبینی شود.
وی از سه سری زمانی Sunspots، Lynx کانادا و نرخ مبادله دلار آمریکا و پوند انگلیس و معیارهای میانگین مجذور خطا (MSE) و میانگین قدر مطلق خطا (MAD) برای آزمون این ادعا و ارزیابی دقت پیش بینی بهره جست.[۶۸]
نتایج این پژوهش دال بر موفقیت مدل ترکیبی نسبت به مدلهای ARIMA و شبکه عصبی میباشد.
ودینگ و سیوس (۱۹۹۶)در مقالهای تحت عنوان «پیش بینی سریهای زمانی از طریق ترکیب شبکه عصبی RBF[146] و مدل باکس و جنکینز»، فرض کردند، اگر پیش بینی سری زمانی و فاکتورهای اطمینان که توسط RBF تولید شده است را با مدل باکس و جنکینز ترکیب نماییم، این امر موجب افزایش دقت پیشبینی می شود. از این رو از سری زمانی روزانهیsunspot طی سالهای ۱۷۰۰ تا ۱۹۷۹، نرخ بیکاری ماهانه در آلمان غربی طی سالهای ۱۹۴۸ تا ۱۹۸۰ و شمار خانههای ساخته شده در طول یک ماه طی سالهای ۱۹۵۹ تا ۱۹۹۴ و معیار ارزیابی میانگین قدر مطلق انحرافات (MAD) به منظور برازش و مقایسه مدل RBF و مدل ترکیبی (ترکیب پیش بینی سری زمانی و فاکتور اطمینان از مدل RBF با پیش بینی مدل باکس و جنکینز) بهره جستند.
نتایج نشان داد در مدل ترکیبی حذف دادههایی با فاکتور اطمینان پایینتر از نقطهی انقطاع[۱۴۷] بهینه منجر به کاهش معیار میانگین قدر مطلق خطا و در نتیجه افزایش دقت پیش بینی میگردد. از طرفی دیگر دور شدن از نقطهی برش بهینه برای فاکتور اطمینان منجر کاهش دقت مدل ترکیبی میگردد.[۶۵]
هانسن و نلسون (۱۹۹۷) در مقالهای تحت عنوان «شبکه عصبی و سریهای زمانی سنتی و ترکیب هم افزا در پیش بینی اقتصادی» بعد از بیان کردن اهمیت پیش بینی درآمد مشمول مالیات خاطرنشان کردند که عواملی مانند بحران مالی می تواند موجب انحراف تحلیلهای مبتنی بر سری زمانی سنتی گردند. آنها بیان کردند در این موارد شبکه می تواند با معرفی الگوهای جدید این مدلها را اصلاح نماید و نتایج تحقیق نیز دال بر موفقیت آنها در ترکیب شبکه های عصبی مانند Time-delay و پسانتشار و مدلهای سری زمانی سنتی بود.[۳۹]
تی سنگ و همکاران (۲۰۰۲) در مقالهای تحت عنوان «ترکیب شبکه عصبی با مدلهای سری زمانی فصلی ARIMA» سعی در ترکیب شبکه عصبی پسانتشار و مدلهای سری زمانی فصلی (SARIMA[148] ) نمودند و آن را با (SARIMABP) نمایش دادند. آنها خاطرنشان کردند که مدل خودرگرسیو میانگین متحرک انباشتهی فصلی برای عملکرد دقیقتر نیازمند ۵۰ و یا ترجیحاً ۱۰۰ مشاهده است، در حالی که در دنیای امروز به دلیل وجود عدم اطمینان در محیط و تغییرات سریع تکنولوژی، میبایست پیش بینی خود را در دوره های زمانی کوتاهمدت و با داده های محدودتری انجام دهیم و این محدودیت مدل خودرگرسیو میانگین متحرک انباشتهی فصلی محسوب میگردد.
از طرفی دیگر خطاهای پیش بینی در شبکه عصبی، بازخوری را برای اصلاح وزن فراهم می کنند اما هیچ بازخوری برای اصلاح متغیرهای ورودی ایجاد نمیگردد.
از این رو فرض کردند مدل ترکیبی (SARIMABP) با در نظر گرفتن پیش بینی و پسماندهای مدل خودرگرسیو میانگین متحرک انباشتهی فصلی بهینه به عنوان ورودی شبکه، می تواند توانایی پیش بینی مدل خودرگرسیو میانگین متحرک انباشتهی فصلی (SARIMA) و کاهش پسماندهای شبکه عصبی را دارا باشد و برای آزمون فرض خود از دو سری ارزش کل تولید در صنعت ماشین آلات و ارزش کل تولید نوشیدنیهای غیر الکلی بهره جستند و نتایج تحقیق نشان داد که عملکرد مدل SARIMABP نسبت به مدل خودرگرسیو میانگین متحرک انباشتهی فصلی و شبکه های عصبی با داده های تفاضلی و فصل زدا شده به طور معناداری بهتر است.[۶۳]
لیو و پای (۲۰۰۵) در مقالهای تحت عنوان «ترکیب ARIMA و SVM در پیشبینی قیمت سهام»، برای سری زمانی ده سهم بورس نیویورک[۱۴۹]، با پیش بینی بخش خطی بوسیلهی مدل خودرگرسیو میانگین متحرک انباشته و پسماندهای غیرخطی حاصل از آن بوسیله ی SVM[150]، دو مدل را ترکیب نموده و سپس عملکرد این مدل ترکیبی را با مدلهای خودرگرسیو میانگین متحرک انباشته و SVM و جمع پیش بینیهای این دو مدل با چهار معیار MAE، MSE، MAPE و RMSE مقایسه کردند. نتایج نشان داد که عملکرد مدل ترکیبی به طور معناداری از سایر مدلها بهتر است.[۵۵]
چن و وانگ (۲۰۰۷)در مقالهای خود تحت عنوان «ترکیب SARIMA و SVM در پیشبینی ارزش تولید صنعت ماشین آلات در تایوان» بعد از برازش سه مدل ترکیبی سرانجام عملکرد مدل ترکیبی مناسب را (که در آن از و و پسماندهای مدل خودرگرسیو میانگین متحرک انباشتهی فصلی به عنوان ورودی شبکه عصبی انتخاب شده بود) با عملکرد مدلهای خودرگرسیو میانگین متحرک انباشتهی فصلی و SVM مقایسه کردند. برای این منظور از دو معیار میانگین مجذور خطای استاندارد شده (NMSE[151]) و میاگین قدر مطلق درصد خطا، برای ارزیابی دقت مدل و از دو معیار DCA[152] و تست رگرسیون (مدل کمبی و مودست[۱۵۳]) برای بررسی توان پیش بینی نقطهی بازگشت، بهره جستند و نتایج تخمین بیانگر دقت مدل ترکیبی و توان بالای آن در پیش بینی نقطهی بازگشت نسبت به سایر مدلها است.[۳۰]
لیانگ (۲۰۰۹) در مقالهای تحت عنوان «ترکیب روش سری زمانی فصلی و شبکه عصبی با الگوریتم ژنتیک»، اذعان داشتند که ترکیب مدلهای خودرگرسیو میانگین متحرک انباشتهی فصلی و شبکه عصبی و الگوریتم ژنتیک می تواند فواید زیر را دارا باشد.
توانایی تحلیل اثر فصل داده ها
شناسایی ورودیهای شبکه
معماری بهینه شبکه عصبی (تعداد بهینه نرون در لایهی پنهان و پارامترهای یادگیری بهینه)
از این رو در مدل ترکیبی خود از نتایج تحلیلی مدل خودرگرسیو میانگین متحرک انباشتهی فصلی به عنوان ورودی شبکه عصبی و از الگوریتم ژنتیک به منظور معماری بهینه شبکه بهره جستند و در نهایت نتایج تحقیق نشان داد که عملکرد مدل ترکیبی به طور معناداری از مدل خودرگرسیو میانگین متحرک انباشتهی فصلی (SARIMA) بهتر است.[۴۹]
فاروق (۲۰۱۰) در مقاله خود با عنوان «مدل ترکیبی ARIMA و شبکه عصبی در پیش بینی سریهای زمانی کیفیت آب» از سه سری زمانی دمای آب، ماده بورون (Boron) و اکسیژن حل شده در طول سالهای ۲۰۰۴-۱۹۹۶ در رودخانهی بویاک مندرز[۱۵۴] ترکیه برای مقایسه توان پیشبینی ترکیب مدل خطی خودرگرسیو میانگین متحرک انباشتهی فصلی و شبکه عصبی نسبت به هر یک از مدلها مذکور بهره جست و نتایج دال بر موفقیت مدل ترکیبی نسبت به دو مدل دیگر میباشد.[۳۳]
کادناس و ریور (۲۰۱۰) در مقالهای تحت عنوان «پیش بینی سرعت باد در سه ناحیهی مختلف مکزیک با بهره گرفتن از مدل ترکیبی ARIMA و شبکه عصبی» اذعان داشتند، پیش بینی سرعت باد ابزاری ارزشمند برای مراکز کنترل انرژی به حساب می آید، از این رو ارائه مدل دقیقتر برای پیش بینی امری ضروری است.
از این رو، آنها از متوسط سرعت باد در طول یک ماه و از معیارهای میانگین مجذور خطا، میانگین خطا و میانگین قدر مطلق خطا، به منظور بررسی و ارزیابی دقت مدل ترکیبی نسبت به مدلهای خودرگرسیو میانگین متحرک انباشته و شبکه عصبی در سه ناحیهی Isla de Cedros ، Cerro de la Virgin و Holbox بهره گرفتند و نتایج دال بر موفقیت مدل ترکیبی است.[۲۹]
آریکل و همکاران (۲۰۱۰) در مقالهای با عنوان «مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و شبکه عصبی برای پیش بینی کوتاه مدت قیمت در بازار آزاد» اذعان داشتند با توجه به رقابتی بودن بازار الکتریسیته، پیش بینی دقیق قیمت، منجر به حداکثر کردن سود و مطلوبیت برای تولیدکننده و مصرف کننده نیرو خواهد شد.
آنها به منظور ارزیابی دقت پیش بینی مدل ترکیبی مدلهای خودرگرسیو میانگین متحرک انباشته و شبکه عصبی نسبت به هر یک از این مدلها، از قیمتهای بازار الکتریسیته بین المللی استرالیا در سال ۲۰۰۶ ، شبکه عصبی پیشخور سه لایه با الگوریتم یادگیری L-M و معیارهای میانگین قدر مطلق درصد خطا (MAPE )، میانگین قدر مطلق خطا ( MAE) و جذر میانگین مجذور خطا (RMSE ) بهره جستند. نتایج تحقیق آنها در هر ۴ فصل سال گواه بر بهبود معنادار عملکرد، در مدل ترکیبی است.[۲۶]
فصل سوم:
روش تحقیق
۳-۱) مقدمه
در فصل اول به طور مختصر به روش تحقیق اشاره کردیم، اما در این فصل به تفصیل فرضیه های تحقیق، متغیرهای تحقیق، روش گردآوری داده ها و دوره زمانی مورد بررسی را تشریح مینماییم. سپس از آنجایی که هدف اصلی این تحقیق مقایسه عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و شبکه عصبی با هر یک از مدلهای خودرگرسیو میانگین متحرک انباشته و شبکه عصبی به صورت مجزا، مقایسه عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته و رگرسیون بردار پشتیبان با هریک از مدلهای خودرگرسیو میانگین متحرک انباشته و SVR به صورت مجزا و در نهایت مقایسه دو مدل ترکیبی با یکدیگر به منظور پیش بینی شاخص کل بورس اوراق بهادار است بنابراین، نحوه برازش هر یک از مدلهای مذکور و روش مقایسه دقت عملکرد این مدلها نسبت به یکدیگر را به صورت کامل مورد بررسی قرار میدهیم.
۳-۲) فرضیه های تحقیق
در دنیای واقعی دانستن الگوی سریهای زمانی مبنی بر خطی و غیرخطی بودن کمی دشوار است و اغلب سریهای زمانی از هر دو الگو تبعیت می کنند، بنابراین فرض می شود که عملکرد مدلهای ترکیبی که دربرگیرندهی دو مدل خطی خودرگرسیو میانگین متحرک انباشته و غیرخطی شبکه عصبی و رگرسیون بردار پشتبان میباشند ز هر یک دو مدل مذکور به صورت مجزا بهتر خطی و غیر خطی به صورت مجزا بهتر عمل مینمایند. از این رو ابتدا به مقایسه عملکرد مدلهای ترکیبی مذکور با هریک از مدلهای خطی و غیر خطی سازنده مدل ترکیبی پرداخته و در نهایت عملکرد مدلهای ترکیبی را نسبت به یکدیگر مقایسه مینماییم. فرضیه های تحقیق به قرار زیر هستند:
۱- پیش بینی مدل ترکیبی شبکه عصبی پیشخور - خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش بینی مدل خودرگرسیو میانگین متحرک انباشته دارای خطای کمتری است.
۲- پیش بینی مدل ترکیبی شبکه عصبی پیشخور - خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش بینی مدل شبکه عصبی پیشخور دارای خطای کمتری است.
۳- پیش بینی مدل ترکیبی رگرسیون بردار پشتیبان - خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش بینی مدل خودرگرسیو میانگین متحرک انباشته دارای خطای کمتری است.
۴- پیش بینی مدل ترکیبی رگرسیون بردار پشتیبان - خودرگرسیو میانگین متحرک انباشته در شاخص کل نسبت به پیش بینی مدل رگرسیون بردار پشتیبان دارای خطای کمتری است.
۵- بین عملکرد مدل ترکیبی خودرگرسیو میانگین متحرک انباشته –شبکه عصبی پیشخور( FFNN)[155] با مدل ترکیبی خودرگرسیو میانگین متحرک انباشته - رگرسیون بردار پشتیبان اختلاف معناداری وجود دارد.
۳-۳) متغیرهای تحقیق و نحوه گردآوری داده ها
به منظور مقایسه عملکرد مدلهای ترکیبی با هر یک از مدلهای خطی و غیرخطی سازنده مدل ترکیبی به صورت مجزا و در نهایت مدلهای ترکیبی با یکدیگر از سری زمانی شاخص کل که از سایت TSETMC استخراج گردیده، استفاده شده است.
۳-۴) دوره زمانی انجام تحقیق و روش نمونه گیری
موضوعات: بدون موضوع
لینک ثابت
